Fugu-MT 論文翻訳(概要): Diffusion-Induced Spatial Attention Overlapping Community Detection

論文の概要: Diffusion-Induced Spatial Attention Overlapping Community Detection

arxiv url: http://arxiv.org/abs/2609.26737v1
Date: Tue, 22 Sep 2026 17:25:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-24 01:05:39.769547
Title: Diffusion-Induced Spatial Attention Overlapping Community Detection
Title（参考訳）: 拡散誘導型空間注意重畳コミュニティ検出
Abstract要約: 拡散誘導型空間注意コミュニティ検出(DISCO)について紹介する。インフルエンス・スプレッド・ダイナミクス、スパース・マルチヘッド・アテンション、非負のコミュニティ・アフィリエイト・ラーニングから派生した構造的先行を組み込んだディープラーニング・フレームワークである。ベンチマーク実験により、disCOは確立されたグラフ畳み込みおよびグラフアテンションアプローチと競合することを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Detection of overlapping communities is essential for modelling networks in which nodes participate simultaneously in multiple structural or functional groups. Existing graph neural network approaches commonly rely on local message passing, which can obscure community boundaries through smoothing and limit the representation of structurally relevant long-range dependencies. We introduce Diffusion-Induced Spatial Attention Community Detection (DISCO), a deep-learning framework that combines a structural prior derived from influence spreading dynamics, sparse multi-head attention, and non-negative community-affiliation learning. The prior identifies candidate interactions beyond immediate graph neighbours and biases attention according to their structural proximity, while a Bernoulli-Poisson edge-reconstruction objective enables overlapping community inference from node attributes and structural profiles, or both. Benchmark experiments show that DISCO performs competitively against established graph convolutional and graph attention approaches across different input configurations. To demonstrate its practical applicability, we present a proof-of-concept cybersecurity use case in which changes between community assignments inferred from consecutive communication-network snapshots provide an interpretable anomaly signal. Temporal community similarity identifies structural deviations, while node-level contributions help locate the devices associated with them. DISCO therefore provides both a flexible method for overlapping community detection and a foundation for analysing structural change in dynamic networks.
Abstract（参考訳）: 重なり合うコミュニティの検出は、ノードが複数の構造グループや機能グループに同時に参加するネットワークのモデル化に不可欠である。既存のグラフニューラルネットワークアプローチは、通常、局所的なメッセージパッシングに依存しており、構造的に関連する長距離依存関係の表現をスムースにし制限することで、コミュニティの境界を曖昧にすることができる。本研究では,拡散誘導型空間注意コミュニティ検出(DISCO)について紹介する。前者はグラフ近傍の候補相互作用を識別し、その構造的近接度に応じて注意を偏らせる一方で、ベルヌーイ・ポアソンエッジ再構成の目的は、ノード属性と構造的プロファイルからのコミュニティ推論の重なりを許容する。ベンチマーク実験により、DICOは、異なる入力構成にわたる確立されたグラフ畳み込みおよびグラフアテンションアプローチに対して競合的に機能することが示された。その実用性を示すために,連続的な通信ネットワークスナップショットから推測されるコミュニティの割り当て間の変化が,解釈可能な異常信号を提供する,概念実証型サイバーセキュリティユースケースを提案する。時間的コミュニティの類似性は構造的ずれを識別し、ノードレベルのコントリビューションはそれらに関連するデバイスを見つけるのに役立つ。したがって、disCOはコミュニティ検出の重なり合うフレキシブルな方法と、動的ネットワークの構造変化を分析する基盤を提供する。

関連論文リスト

Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy [57.058369251551795]
教師なしグラフクラスタリングは、大規模ネットワークの基盤となるセマンティックパターンを明らかにするための基本的な手法である。本研究では,制約付き構造エントロピーを用いたコミュニティ認識サンプリングを連携させることにより,構造整合性を維持するフレームワークであるSCISEを提案する。 SCISEは最先端のアルゴリズムを著しく上回り、アブレーション研究とロバストネス分析により、実世界の大規模グラフの有効性と信頼性をさらに検証した。
論文参考訳（メタデータ） (2026-07-06T07:55:53Z)
Interpreting Manifolds and Graph Neural Embeddings from Internet of Things Traffic Flows [1.8510825807956957]
この研究は、高次元埋め込みを潜在多様体にマッピングすることで、直接視覚化可能な低次元表現を生成する解釈可能なパイプラインを導入する。このフレームワークは、侵入検知のための0.830の分類F1スコアを達成し、概念ドリフトのような現象も強調する。
論文参考訳（メタデータ） (2026-02-05T16:08:24Z)
Causal invariant geographic network representations with feature and structural distribution shifts [5.237838679495733]
ディープグラフニューラルネットワーク(GNN)を通して地理的ネットワーク表現を、i.d.仮定に基づいて学習する。特徴分布シフトと構造分布シフトの両方を考慮した特徴構造混合不変表現学習(FSM-IRL)モデルを提案する。実験により、FSM-IRLはOODシナリオにおける地理的および社会的ネットワークデータセットに強力な学習能力を示すことが示された。
論文参考訳（メタデータ） (2025-03-25T06:21:57Z)
HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection [3.389327931408283]
コミュニティ検出は、密接に結びついた部分グラフを明らかにする上で重要な役割を果たす。従来,ネットワークトポロジと属性情報を属性付きコミュニティ検出に有効活用してきた。ヘテロジニアスグラフアテンションネットワークに基づく新しい属性付きコミュニティ検出モデルであるHACDを提案する。
論文参考訳（メタデータ） (2024-11-04T10:16:59Z)
Learning Persistent Community Structures in Dynamic Networks via Topological Data Analysis [2.615648035076649]
本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。 MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。 TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
論文参考訳（メタデータ） (2024-01-06T11:29:19Z)
SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文参考訳（メタデータ） (2022-03-31T02:45:24Z)
Adversarial Graph Disentanglement [47.27978741175575]
実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
論文参考訳（メタデータ） (2021-03-12T14:11:36Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
論文参考訳（メタデータ） (2020-11-25T05:09:03Z)
On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文参考訳（メタデータ） (2020-09-15T00:16:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。